基于实际负荷曲线的电力用户分类技术研究

开展电力用户负荷特性分析可以帮助供电企业获得其负荷需求变化的知识,对于企业负荷预测、需求侧管理、以及改进电价目录都有重要意义。针对某电力公司大用户实际负荷曲线数据,使用模糊聚类中的典型算法模糊c均值(FCM)对其进行聚类分析,得到负荷簇和负荷代表曲线,然后分析了属于各行业和电价类的用户负荷聚类结果,显示了按负荷特性进行用户分类与现行按行业和电价的用户分类差异显著。并通过案例说明负荷分析可以帮助企业改善运营。     

模糊c均值在非技术损失检测中的应用

使用电力公司用户实际负荷曲线数据和模糊聚类中的经典算法模糊c均值(FCM)进行聚类分析,得到负荷簇和负荷代表曲线,然后通过比较偏差用户负荷曲线与所属行业负荷代表曲线的距离,以及与偏差行业代表负荷曲线的距离,分析可能发生异常电能消费行为的用户,电力公司据此可进一步采取针对性措施减少损失.     

四种聚类方法之比较

介绍了较为常见的k-means、层次聚类、SOM、FCM等四种聚类算法,阐述了各自的原理和使用步骤,利用国际通用测试数据集IRIS对这些算法进行了验证和比较.结果显示对该测试类型数据,FCM和k-means都具有较高的准确度,层次聚类准确度最差,而SOM则耗时最长.